Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback

Created by
  • Haebom

作者

Yiyuan Yang, Zichuan Liu, Lei Song, Kai Ying, Zhiguang Wang, Tom Bamford, Svitlana Vyetrenko, Jiang Bian, Qingsong Wen

概要

本論文では、従来のバイナリ分類にとどまる時系列異常検出方式の限界を克服するために、大規模言語モデル(LLM)を活用して時系列異常検出を生成的かつ推論中心的な作業に切り替える新たな課題であるTime-RA(Time-series Reasoning for Anomaly)を提案します。また、約40,000個の実世界データを含むマルチモードベンチマークデータセットRATs40Kを紹介します。 RATs40Kは、数値時系列データ、文脈情報テキスト、視覚的表現で構成され、それぞれは細分化された異常タイプ（単変量14種類、多変量6種類）と構造化された説明的推論に注釈が付いています。 GPT-4ベースのフィードバックにより、洗練されたアンサンブル生成ラベルを活用する洗練された注釈フレームワークを開発し、正確性と解釈の可能性を保証します。 LLMとマルチモードLLMの幅広いベンチマークにより、現在のモデルの機能と限界を示し、監督可能な微調整の重要性を強調します。提供されたコードとデータセットは、今後の研究を支援し加速するために公開されました。

Takeaways、Limitations

•
Takeaways：
◦
従来のバイナリ分類異常検出の限界を超えて、生成的かつ推論中心の時系列異常検出アプローチを提示します。
◦
実際の世界データに基づいたマルチモーダルベンチマークデータセットRATs40Kを提供することで、今後の研究に貢献します。
◦
GPT-4ベースの注釈フレームワークを通じて高品質の注釈データを取得します。
◦
LLMとマルチモードLLMの性能評価を通じてモデルの強みと弱点を分析し、監督学習の重要性を提示します。
◦
オープンソースコードとデータセット公開による研究の拡張と加速。
•
Limitations：
◦
RATs40Kデータセットの規模は、今後さらに多様で膨大なデータセットを必要とする可能性があります。
◦
提案されたTime-RAアプローチの一般化性能に関するさらなる研究が必要です。
◦
特定のドメインにバイアスされたデータセットの構成可能性、およびこれによる一般化パフォーマンスの低下の可能性。
◦
GPT-4依存性が高く、GPT-4アクセシビリティによって研究の再現性が制限される可能性があります。
👍
Made with Slashpage